化学不仅仅是将化合物A与化合物B混合以制备化合物C.存在影响反应速率的催化剂，以及反应的物理条件和导致最终产物的任何中间步骤。如果您正在尝试为制药或材料研究制定新的化学过程，则需要找到每种变量的最佳选择。这是一个耗时的反复试验过程。
或者，至少，它是。
在自然界的一份新出版物中，犹他大学化学家Jolene Reid和Matthew Sigman展示了如何分析以前发表的化学反应数据如何预测假设反应如何进行，缩小了化学家需要探索的条件范围。他们的算法预测过程(包括机器学习的各个方面)可以节省化学研究中的宝贵时间和资源。
“我们试图找到最佳的参数组合，”里德说。“一旦我们有了这个，我们就可以调整任何反应的特征，并实际预测这种调整将如何影响它。”
试错
以前，想要进行以前没有尝试的反应的化学家，例如将特定小分子附着到较大分子上的特定点的反应，通过查找类似的反应并模仿相同的反应来解决该问题。条件。
“几乎每次，至少根据我的经验，它都不能很好地运作，”西格曼说。“那么你就系统地改变了条件。”
但是在每个反应中有几个变量--Sigman在典型的药物反应中估计大约7到10个 - 可能的条件组合的数量变得势不可挡。“你不能用任何类型的高吞吐量操作覆盖所有这个可变空间，”Sigman说。“我们正在谈论数十亿种可能性。”
缩小了领域
因此，西格曼和里德寻找一种方法将焦点缩小到更易管理的条件范围。对于他们的测试反应，他们观察了涉及具有彼此相反镜像的分子的反应(以相同的方式，你的右手和左手是彼此的镜像)并且选择更多用于一种配置而不是另一种配置。这种反应被称为“对映选择性”，Sigman实验室研究了对映选择性反应中涉及的催化剂类型。
Reid收集了367种含有亚胺的反应形式的科学报告，这些反应涉及具有氮碱的亚胺，并使用机器学习算法将反应的特征与它们对两种不同形式的亚胺的选择性相关联。算法研究了反应的催化剂，溶剂和反应物，并构建了这些性质与反应的最终选择性之间的数学关系。
“有一种模式隐藏在表面之下，为什么它起作用，不适用于这种情况，这种催化剂，这种基质，等等，”西格曼说。
“我们成功的关键在于我们使用来自许多反应的信息，”里德补充道。
缓解痛苦
他们的预测模型有多好?它成功地预测了15个反应的结果，其中涉及一个不在原始组中的反应物，以及13个反应的结果，其中反应物和催化剂类型都不在原始组中。最后，Reid和Sigman研究了最近的一项研究，该研究进行了2,150次实验，以找到34种反应的最佳条件。在没有弄脏单个烧杯的情况下，Reid和Sigman的模型得到了相同的结果和相同的最佳催化剂。
Reid期待将该模型应用于预测涉及大型复杂分子的反应。“通常你会发现新方法没有针对复杂系统进行微调，”她说。“我们现在可以通过事先预测最好的催化剂来做到这一点。”
Sigman补充说，预测模型可以降低新药开发的障碍。
他说：“制药行业不希望将资金投入到他们不知道的东西中。” “所以，如果你有一个算法表明它有很高的工作概率，你可以减轻痛苦。”